本發(fā)明涉及數(shù)控機(jī)床技術(shù)領(lǐng)域，特別是關(guān)于一種數(shù)控加工誤差優(yōu)化領(lǐng)域。

背景技術(shù)：

隨著新材料、新技術(shù)、新工藝的不斷涌現(xiàn)，數(shù)控加工工藝參數(shù)優(yōu)化研究在朝著高性能、高功能、高智能方向發(fā)展；數(shù)控切削向高性能切削方向發(fā)展；優(yōu)化模型向高功能方向發(fā)展；優(yōu)化方法向高智能方向發(fā)展。建立科學(xué)合理的工藝參數(shù)優(yōu)化方法，進(jìn)而選擇加工參數(shù)是提高數(shù)控加工精度的重要途徑。

當(dāng)前有關(guān)于數(shù)控加工技術(shù)的研究與開(kāi)發(fā)大多結(jié)合CAD/CAE技術(shù)，通過(guò)對(duì)數(shù)控加工系統(tǒng)主要組件的建模與仿真分析實(shí)現(xiàn)加工參數(shù)的優(yōu)化。然而大量的加工實(shí)踐證明，計(jì)算機(jī)仿真技術(shù)的參考價(jià)值與準(zhǔn)確性并不總是盡如人意，即便計(jì)算機(jī)仿真技術(shù)發(fā)展很快，但仍然不能滿(mǎn)足人們對(duì)于高質(zhì)量數(shù)控加工的需求。除了計(jì)算機(jī)仿真技術(shù)外，實(shí)驗(yàn)也是重要的研究方法之一，但實(shí)驗(yàn)的條件通常難以完全模擬實(shí)際加工環(huán)境，且效率較低。

多年來(lái)，國(guó)內(nèi)外學(xué)者在數(shù)控加工過(guò)程優(yōu)化方面作了大量的工作。例如見(jiàn)中國(guó)專(zhuān)利申請(qǐng)?zhí)枮镃N102073300A，其公開(kāi)了一種數(shù)控加工狀態(tài)自學(xué)習(xí)的刀具磨損監(jiān)控系統(tǒng)，其對(duì)刀具磨損量進(jìn)行監(jiān)控，數(shù)控系統(tǒng)根據(jù)刀具的磨損情況做出相應(yīng)的反應(yīng)，提示更換刀具或者更改刀補(bǔ)量，然而其考慮因素比較單一，忽略數(shù)控加工諸多影響因素如溫度、振動(dòng)等，該方法對(duì)于數(shù)控加工誤差的優(yōu)化具有明顯的局限性。中國(guó)專(zhuān)利申請(qǐng)?zhí)枮镃N104407568A，其公開(kāi)了一種數(shù)控加工參數(shù)實(shí)時(shí)自適應(yīng)優(yōu)化方法，通過(guò)對(duì)零件數(shù)控加工的切削力進(jìn)行實(shí)時(shí)在線(xiàn)監(jiān)測(cè)，再對(duì)進(jìn)給速率和主軸速率進(jìn)行修調(diào)與控制，然而上述調(diào)整并沒(méi)有實(shí)現(xiàn)對(duì)加工誤差的補(bǔ)償，對(duì)零件加工過(guò)程可能有所改進(jìn)，但對(duì)加工誤差不會(huì)產(chǎn)生明顯的影響。許多相關(guān)專(zhuān)利或方法都只是停留在某一方面的檢測(cè)與分析，而沒(méi)有對(duì)影響數(shù)控加工精度的因素綜合考慮；在提高加工精度、減小加工誤差方面較少具有實(shí)質(zhì)性意義。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的是提供一種數(shù)控機(jī)床加工誤差優(yōu)化方法，以改變當(dāng)前針對(duì)數(shù)控加工誤差缺乏有效可行的優(yōu)化手段及方法的局面。

為達(dá)到上述目的，本發(fā)明主要提供如下技術(shù)方案：一種數(shù)控加工誤差優(yōu)化方法，它包括以下步驟：1)獲取每一次機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)；2)獲取每一次機(jī)床加工時(shí)的零件加工尺寸誤差數(shù)據(jù)，并與步驟1)中獲取的每一次機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)對(duì)應(yīng)存儲(chǔ)；3)采用時(shí)域分析方法和頻域分析方法分別對(duì)步驟1)中獲得的機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)進(jìn)行處理以得到相應(yīng)的時(shí)域特征參數(shù)和頻域特征參數(shù)，針對(duì)時(shí)域特征參數(shù)和頻域特征參數(shù)基于最小二乘法的數(shù)學(xué)擬合建立特征參數(shù)預(yù)測(cè)模型，并采用該模型對(duì)時(shí)域特征參數(shù)和頻域特征參數(shù)進(jìn)行預(yù)測(cè)，得到時(shí)域特征參數(shù)預(yù)測(cè)值和頻域特征參數(shù)預(yù)測(cè)值；4)建立BP單隱層神經(jīng)網(wǎng)絡(luò)模型，采用步驟3)中的時(shí)域特征參數(shù)和頻域特征參數(shù)以及步驟2)中獲得的零件加工尺寸誤差數(shù)據(jù)，針對(duì)BP單隱層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并將步驟3)中的時(shí)域特征參數(shù)預(yù)測(cè)值和頻域特征參數(shù)預(yù)測(cè)值帶入訓(xùn)練后的BP單隱層神經(jīng)網(wǎng)絡(luò)模型中，得到預(yù)測(cè)加工誤差；5)根據(jù)步驟4)中得到的預(yù)測(cè)加工誤差，通過(guò)數(shù)控程序優(yōu)化系統(tǒng)對(duì)部分程序微調(diào)，以補(bǔ)償加工誤差。

所述步驟3)包括以下步驟：31)采用時(shí)域分析方法和頻域分析方法分別對(duì)步驟1)中獲得的機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)進(jìn)行處理以得到相應(yīng)的時(shí)域特征參數(shù)和頻域特征參數(shù)；32)針對(duì)時(shí)域特征參數(shù)和頻域特征參數(shù)基于最小二乘法的數(shù)學(xué)擬合建立特征參數(shù)預(yù)測(cè)模型；33)采用特征參數(shù)預(yù)測(cè)模型對(duì)時(shí)域特征參數(shù)和頻域特征參數(shù)進(jìn)行預(yù)測(cè)，得到時(shí)域特征參數(shù)預(yù)測(cè)值和頻域特征參數(shù)預(yù)測(cè)值。

所述步驟4)包括以下步驟：41)建立BP單隱層神經(jīng)網(wǎng)絡(luò)模型；其中，BP單隱層神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層和輸出層，其結(jié)構(gòu)為N(s，p，q)，其中，s為輸入層神經(jīng)元個(gè)數(shù)，且輸入層神經(jīng)元個(gè)數(shù)s與選定的特征參數(shù)個(gè)數(shù)相同，p為隱含層神經(jīng)元個(gè)數(shù)，q是輸出層神經(jīng)元個(gè)數(shù)；42)采用步驟3)中的時(shí)域特征參數(shù)和頻域特征參數(shù)以及步驟2)中獲得的零件加工尺寸誤差數(shù)據(jù)，針對(duì)BP單隱層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；43)將步驟3)中的時(shí)域特征參數(shù)預(yù)測(cè)值和頻域特征參數(shù)預(yù)測(cè)值帶入訓(xùn)練后的BP單隱層神經(jīng)網(wǎng)絡(luò)模型中，得到預(yù)測(cè)加工誤差。

所述步驟42)中，它包括以下步驟：a)選定時(shí)域特征參數(shù)和頻域特征參數(shù)，并針對(duì)選定的特征參數(shù)采用min-max方法歸一化處理后得到的特征值，將特征值作為BP單隱層神經(jīng)網(wǎng)絡(luò)模型的輸入層輸入；b)隱含層神經(jīng)元個(gè)數(shù)p按照經(jīng)驗(yàn)公式確定并取整，其中h為常數(shù)，且1≤h≤10；c)在BP單隱層神經(jīng)網(wǎng)絡(luò)中，輸出層的輸出神經(jīng)元采用二進(jìn)制編碼，每組二進(jìn)制編碼與其相對(duì)應(yīng)的誤差區(qū)間一一對(duì)應(yīng)；d)每次選定的特征參數(shù)輸入都會(huì)重新計(jì)算BP單隱層神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)函數(shù)值，得到新的權(quán)值，并通過(guò)目標(biāo)函數(shù)值與預(yù)期目標(biāo)值相比較：若獲得的目標(biāo)函數(shù)值小于預(yù)期目標(biāo)值，則權(quán)值確定，得到滿(mǎn)足要求的BP單隱層神經(jīng)網(wǎng)絡(luò)模型；若獲得的目標(biāo)函數(shù)值未小于預(yù)期目標(biāo)值，則按梯度下降法反向計(jì)算，逐層調(diào)整權(quán)值，直至滿(mǎn)足預(yù)期目標(biāo)值。

本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)：本發(fā)明綜合考慮影響數(shù)控加工的眾多因素，利用數(shù)學(xué)擬合原理及神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)加工狀態(tài)特征參數(shù)和加工誤差，并根據(jù)得到的預(yù)測(cè)誤差對(duì)數(shù)控程序進(jìn)行部分微調(diào)，直接對(duì)加工誤差進(jìn)行補(bǔ)償，達(dá)到數(shù)控加工誤差優(yōu)化的目的。鑒于以上理由，本發(fā)明可以廣泛用于數(shù)控機(jī)床技術(shù)領(lǐng)域。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明的流程圖；

圖2是本發(fā)明的數(shù)據(jù)處理過(guò)程示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

如圖1和圖2所示，本發(fā)明現(xiàn)提出一種數(shù)控機(jī)床加工誤差優(yōu)化方法，它包括以下步驟：

1)獲取每一次機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)；其中，獲取機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)為本領(lǐng)域常用的技術(shù)手段，故不再詳述。

如圖1所示，獲取加工實(shí)時(shí)采樣數(shù)據(jù)采用現(xiàn)有的數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)裝置完成即可。

數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)裝置主要包括內(nèi)置檢測(cè)機(jī)構(gòu)和外置檢測(cè)機(jī)構(gòu)，其中，內(nèi)置檢測(cè)機(jī)構(gòu)中的內(nèi)置傳感器直接測(cè)得主軸轉(zhuǎn)速、位移、速度、加速度、電流等數(shù)據(jù)。外置檢測(cè)機(jī)構(gòu)中的外置傳感器用于測(cè)量如溫度、振動(dòng)、應(yīng)力等數(shù)據(jù)。

數(shù)據(jù)整合和分析預(yù)測(cè)裝置針對(duì)內(nèi)置檢測(cè)機(jī)構(gòu)所獲得的數(shù)據(jù)進(jìn)行處理，得到轉(zhuǎn)矩、潤(rùn)滑特性等，該處理過(guò)程只是針對(duì)這些數(shù)據(jù)之間的公式進(jìn)行計(jì)算，公式和計(jì)算過(guò)程為本領(lǐng)域技術(shù)人員的常用技術(shù)手段，故不再詳述。

現(xiàn)以某數(shù)控機(jī)床部分重要零部件的狀態(tài)數(shù)據(jù)舉例，將其記錄在專(zhuān)用數(shù)據(jù)庫(kù)中，其對(duì)應(yīng)關(guān)系如附表1所示，表中第i次加工時(shí)第m個(gè)數(shù)據(jù)采集時(shí)間節(jié)點(diǎn)t_im的主軸轉(zhuǎn)速n_im、主軸轉(zhuǎn)矩T_im以及刀具應(yīng)力σ_im，其中1≤m≤n，且m為整數(shù)。上述時(shí)間節(jié)點(diǎn)是將整個(gè)加工過(guò)程按一定的采樣時(shí)間間距等分而得到的，就是在每個(gè)時(shí)間節(jié)點(diǎn)得到對(duì)應(yīng)的采樣數(shù)據(jù)，記錄下來(lái)。

附表1：第i次機(jī)床狀態(tài)數(shù)據(jù)及零件加工誤差記錄邏輯結(jié)構(gòu)表

2)獲取每一次機(jī)床加工時(shí)的零件加工尺寸誤差數(shù)據(jù)，并與步驟1)中獲取的每一次機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)對(duì)應(yīng)存儲(chǔ)；

在第i次加工完成之后，測(cè)量零件的加工誤差，其加工誤差可分為尺寸誤差和幾何誤差，其中幾何誤差有包括形狀誤差，方向誤差和位置誤差，形狀誤差又包括平面度誤差和直線(xiàn)度誤差、圓度誤差等，方向誤差包括平行度誤差、垂直度誤差和傾斜度誤差等。針對(duì)一個(gè)零件，設(shè)需要測(cè)量的加工誤差包括上述誤差的w種，這里對(duì)第i次加工加工獲得的零件的w種加工誤差分別用μ_i1、μ_i2…μ_iw表示，并同步驟1)中獲取的機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)對(duì)應(yīng)存儲(chǔ)在專(zhuān)用數(shù)據(jù)庫(kù)中。

上述專(zhuān)用檢具采用極限卡規(guī)、極限塞規(guī)和比較樣板等。

上述同種大批量零件和單件小批量為本領(lǐng)域技術(shù)人員公知如何區(qū)分，故不再詳述。

3)采用時(shí)域分析方法和頻域分析方法分別對(duì)步驟1)中獲得的機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)進(jìn)行處理以得到相應(yīng)的時(shí)域特征參數(shù)和頻域特征參數(shù)，針對(duì)時(shí)域特征參數(shù)和頻域特征參數(shù)基于最小二乘法的數(shù)學(xué)擬合建立特征參數(shù)預(yù)測(cè)模型，并采用該模型對(duì)時(shí)域特征參數(shù)和頻域特征參數(shù)進(jìn)行預(yù)測(cè)，得到時(shí)域特征參數(shù)預(yù)測(cè)值和頻域特征參數(shù)預(yù)測(cè)值；

31)采用時(shí)域分析方法和頻域分析方法分別對(duì)步驟1)中獲得的機(jī)床加工實(shí)時(shí)采樣數(shù)據(jù)進(jìn)行處理以得到相應(yīng)的時(shí)域特征參數(shù)和頻域特征參數(shù)。

其中，時(shí)域特征參數(shù)包括：峰值、均值、均方根值、方差、峰值因子、峭度指標(biāo)、偏度、脈沖指標(biāo)和裕度系數(shù)等。

頻域特征參數(shù)包括：諧波因子、功率譜方差、功率譜重心指標(biāo)、譜原點(diǎn)距、品質(zhì)因素和中心頻率等。

32)針對(duì)時(shí)域特征參數(shù)和頻域特征參數(shù)基于最小二乘法的數(shù)學(xué)擬合建立特征參數(shù)預(yù)測(cè)模型，建立特征參數(shù)預(yù)測(cè)模型的過(guò)程如下：

設(shè)對(duì)機(jī)床加工某零件至第i次，根據(jù)加工次序編號(hào)為1，2，3，…，i，將每一次加工過(guò)程對(duì)應(yīng)的特征參數(shù)a依次表示為a₁，a₂，a₃，…，a_i，針對(duì)a₁，a₂，a₃，…，a_i采用基于最小二乘法的數(shù)學(xué)擬合得到“a-x”擬合曲線(xiàn)，即“a-x”擬合曲線(xiàn)為特征參數(shù)預(yù)測(cè)模型，擬合工作由相關(guān)軟件完成；上述相關(guān)軟件可以采用包括但不限于MATLAB完成擬合工作。

33)采用特征參數(shù)預(yù)測(cè)模型對(duì)時(shí)域特征參數(shù)和頻域特征參數(shù)進(jìn)行預(yù)測(cè)，得到時(shí)域特征參數(shù)預(yù)測(cè)值和頻域特征參數(shù)預(yù)測(cè)值。

特征參數(shù)預(yù)測(cè)模型用于預(yù)測(cè)第k(k>i)次加工時(shí)a_k值，i越大，預(yù)測(cè)結(jié)果也將越準(zhǔn)確，該特征參數(shù)預(yù)測(cè)模型具有自學(xué)習(xí)特性。

具體例子如下：

以數(shù)控車(chē)床加工的柱狀零件為例，取主軸轉(zhuǎn)矩的均值與方差D(T)，刀具應(yīng)力σ的均值與方差D(σ)作為選定的特征參數(shù)。基于最小二乘法的數(shù)學(xué)擬合建立特征參數(shù)預(yù)測(cè)模型，以主軸轉(zhuǎn)矩均值為例，要建立特征參數(shù)預(yù)測(cè)模型，其中，x表示第x次加工次數(shù)。

若共記錄至第i次加工過(guò)程，則有一組特征值如下表所示：

這里令的m次擬合函數(shù)為ψ(x)＝α₀+α₁x+α₂x²+...α_mx^m。

計(jì)根據(jù)Aα＝Y(jié)，可以解出的值，得到的m次擬合函數(shù)，即該特征參數(shù)預(yù)測(cè)模型，其具有學(xué)習(xí)特性。

將x＝k(k>i)帶入ψ(x)＝α₀+α₁x+α₂x²+...α_mx^m可得到的預(yù)測(cè)值。

4)建立BP單隱層神經(jīng)網(wǎng)絡(luò)模型，并采用步驟3)中的時(shí)域特征參數(shù)和頻域特征參數(shù)以及步驟2)中獲得的零件加工尺寸誤差數(shù)據(jù)，針對(duì)BP單隱層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并將步驟3)中的時(shí)域特征參數(shù)預(yù)測(cè)值和頻域特征參數(shù)預(yù)測(cè)值帶入訓(xùn)練后的BP單隱層神經(jīng)網(wǎng)絡(luò)模型中，得到預(yù)測(cè)加工誤差；

41)建立BP單隱層神經(jīng)網(wǎng)絡(luò)模型；

其中，BP單隱層神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層和輸出層，其結(jié)構(gòu)為N(s，p，q)，其中，s為輸入層神經(jīng)元個(gè)數(shù)，且輸入層神經(jīng)元個(gè)數(shù)s與選定的特征參數(shù)個(gè)數(shù)相同，p為隱含層神經(jīng)元個(gè)數(shù)，q是輸出層神經(jīng)元個(gè)數(shù)。上述BP單隱層神經(jīng)網(wǎng)絡(luò)可以通過(guò)樣本數(shù)(每一次加工過(guò)程中的數(shù)據(jù)都會(huì)變成樣本，加工次數(shù)越多，樣本數(shù)越多)的累積進(jìn)行自學(xué)習(xí)。BP單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，能夠解決任意的非線(xiàn)性映射問(wèn)題，因此本發(fā)明中選取單隱層的神經(jīng)網(wǎng)絡(luò)進(jìn)行誤差預(yù)測(cè)。上述BP單隱層神經(jīng)網(wǎng)絡(luò)可以通過(guò)樣本數(shù)的累積進(jìn)行自學(xué)習(xí)是本領(lǐng)域技術(shù)人員公知的技術(shù)手段，故不再詳述。

42)采用步驟3)中的時(shí)域特征參數(shù)和頻域特征參數(shù)以及步驟2)中獲得的零件加工尺寸誤差數(shù)據(jù)，針對(duì)BP單隱層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其過(guò)程如下：

(a)選定時(shí)域特征參數(shù)和頻域特征參數(shù)，并針對(duì)選定的特征參數(shù)采用“min-max”方法歸一化處理后得到的特征值，將特征值作為BP單隱層神經(jīng)網(wǎng)絡(luò)模型的輸入層輸入；

上述所選取的特征參數(shù)可能來(lái)自一個(gè)或多個(gè)機(jī)床狀態(tài)數(shù)據(jù)。選定何種狀態(tài)數(shù)據(jù)的何種特征參數(shù)由相應(yīng)的零件加工誤差產(chǎn)生原理(零件加工誤差產(chǎn)生原理為本領(lǐng)域技術(shù)人員的公知常識(shí)，故不再詳述)決定。

歸一化處理可去除量綱，使不同的數(shù)據(jù)統(tǒng)一到同一個(gè)坐標(biāo)系下，同時(shí)加快訓(xùn)練BP單隱層的神經(jīng)網(wǎng)絡(luò)的收斂速度，使相關(guān)軟件(相關(guān)軟件可以采用包括但不限于MATLAB)運(yùn)行的更快，提高處理效率，現(xiàn)采用“min-max”方法針對(duì)選定時(shí)域特征參數(shù)和頻域特征參數(shù)進(jìn)行歸一化，過(guò)程如下：

其中，a’_u表示歸一化后的特征值，有0≤a’_u≤1；a_u表示歸一化前的特征參數(shù)；a_max表示已有特征參數(shù)中的最大值；a_min表示已有特征參數(shù)中的最小值。

至此，可得到第m組樣本輸入：u_m＝[u_1m，u_2m，u_3m…，u_sm]，表示選定的特征參數(shù)歸一化之后的特征值數(shù)組，該特征值數(shù)組作為輸入層。

(b)隱含層神經(jīng)元個(gè)數(shù)p可以按照經(jīng)驗(yàn)公式確定并取整，其中h為常數(shù)，且1≤h≤10。隱含層的作用是使優(yōu)化問(wèn)題的可調(diào)參數(shù)增加，使得解更加精確。

(c)在BP單隱層神經(jīng)網(wǎng)絡(luò)中，輸出層的輸出神經(jīng)元采用二進(jìn)制編碼，方便表示不同的零件誤差區(qū)間，每組二進(jìn)制編碼與誤差區(qū)間一一對(duì)應(yīng)，即每組二進(jìn)制編碼與其相對(duì)應(yīng)的誤差區(qū)間一一對(duì)應(yīng)。根據(jù)所需加工精度r(加工精度為實(shí)際生產(chǎn)中根據(jù)相關(guān)規(guī)定和要求而定，在此不做詳述)以及誤差范圍s(所測(cè)得的零件加工誤差數(shù)據(jù)的最大值與最小值)可知，BP單隱層神經(jīng)網(wǎng)絡(luò)輸出神經(jīng)元須至少能表示個(gè)誤差區(qū)間，而q個(gè)輸出神經(jīng)元可表示2^q種零件誤差區(qū)間，因此有：其中[]表示下取整運(yùn)算。

輸出層輸出d_m＝[d_1m，d_2m，d_3m，…，d_qm]，是以二進(jìn)制表示零件誤差區(qū)間。

(d)初始權(quán)系W(0)為較小的隨機(jī)非零值，其為相關(guān)軟件(相關(guān)軟件可以采用包括但不限于MATLAB)中默認(rèn)值，每次選定的特征參數(shù)輸入都會(huì)重新計(jì)算BP單隱層神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)函數(shù)值，得到新的權(quán)值，并通過(guò)目標(biāo)函數(shù)值與預(yù)期目標(biāo)值(通常為默認(rèn)值或者根據(jù)實(shí)際工況設(shè)定亦或者根據(jù)經(jīng)驗(yàn)值而定)相比較，作為對(duì)BP單隱層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的評(píng)價(jià)：若獲得的目標(biāo)函數(shù)值小于預(yù)期目標(biāo)值，則權(quán)值確定，得到想要的BP單隱層神經(jīng)網(wǎng)絡(luò)模型；若獲得的目標(biāo)函數(shù)值未小于預(yù)期目標(biāo)值，則按梯度下降法反向計(jì)算，逐層調(diào)整權(quán)值，直至滿(mǎn)足預(yù)期目標(biāo)值。

選定的特征參數(shù)越多，BP單隱層神經(jīng)網(wǎng)絡(luò)模型就會(huì)越準(zhǔn)確，誤差預(yù)測(cè)也會(huì)越準(zhǔn)確。

43)將步驟3)中的時(shí)域特征參數(shù)預(yù)測(cè)值和頻域特征參數(shù)預(yù)測(cè)值帶入訓(xùn)練后的BP單隱層神經(jīng)網(wǎng)絡(luò)模型中，得到預(yù)測(cè)加工誤差；

針對(duì)步驟3)中通過(guò)特征參數(shù)預(yù)測(cè)模型得到的特征參數(shù)預(yù)測(cè)值a_k等采用“min-max”標(biāo)準(zhǔn)化方法歸一化處理，得到預(yù)測(cè)樣本數(shù)組u_k＝[u_1k，u_2k，u_3k，…，u_sk]，將其帶入訓(xùn)練調(diào)整后得到的BP單隱層神經(jīng)網(wǎng)絡(luò)模型，可得到一個(gè)預(yù)測(cè)的輸出數(shù)組d_k＝[d_1k，d_2k，d_3k，…，d_qk]，將該數(shù)組轉(zhuǎn)換成二進(jìn)制代碼，將二進(jìn)制代碼再變成預(yù)測(cè)加工誤差。

5)根據(jù)步驟4)中得到的預(yù)測(cè)加工誤差，通過(guò)數(shù)控程序優(yōu)化系統(tǒng)對(duì)部分程序微調(diào)，以補(bǔ)償加工誤差，提高加工質(zhì)量。

上述根據(jù)得到的預(yù)測(cè)加工誤差對(duì)數(shù)控程序進(jìn)行部分微調(diào)，可得到誤差補(bǔ)償后的數(shù)控程序，為本領(lǐng)域技術(shù)人員常用的技術(shù)手段，故不再詳述。將微調(diào)后的數(shù)控程序傳遞給數(shù)控系統(tǒng)進(jìn)行數(shù)控加工，可以達(dá)到數(shù)控加工誤差優(yōu)化的目的。

以上僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求的保護(hù)范圍為準(zhǔn)。